Partager via


Exemples d’entraînement de modèle

Cette section comprend des exemples illustrant comment former des modèles d’apprentissage automatique sur Azure Databricks à l’aide de nombreuses bibliothèques open source populaires.

Vous pouvez également utiliser AutoML, qui prépare automatiquement un jeu de données pour l’entraînement des modèles, effectue un ensemble d’essais à l’aide de bibliothèques open source, telles que scikit-learn et XGBoost, et crée un notebook Python avec le code source pour chaque exécution d’essai afin que vous puissiez examiner, reproduire et modifier le code.

Exemples de machine learning

Package Notebook(s) Fonctionnalités
scikit-learn Didacticiel de Machine Learning Unity Catalog, modèle de classification, MLflow, optimisation automatisée des hyperparamètres avec Hyperopt et MLflow
scikit-learn Exemple de bout en bout Unity Catalog, modèle de classification, MLflow, optimisation automatisée des hyperparamètres avec Hyperopt et MLflow, XGBoost
MLlib Exemples de MLlib Classification binaire, arbres de décision, régression GBT, Structured Streaming, transformateur personnalisé
xgboost Exemples de XGBoost Python, PySpark et Scala, charges de travail mononœuds et entraînement distribué

Exemple de réglage des hyperparamètres

Pour obtenir des informations générales sur le réglage des hyperparamètres dans Azure Databricks, consultez Réglage des hyperparamètres.

Package Notebook Fonctionnalités
Optuna Bien démarrer avec Optuna Optuna, Optuna distribué, scikit-learn, MLflow
Hyperopt Hyperopt distribué Hyperopt distribué, scikit-learn, MLflow
Hyperopt Comparer des modèles Utiliser l’hyperopt distribué pour rechercher simultanément l’espace des hyperparamètres de différents types de modèles
Hyperopt Algorithmes d’entraînement distribué et hyperopt Hyperopt, MLlib
Hyperopt Bonnes pratiques pour Hyperopt Bonnes pratiques pour les jeux de données de différentes tailles